[发明专利]基于一维卷积神经网络的轴承故障诊断方法

权利要求书

1.一种基于一维卷积神经网络的轴承故障诊断方法，用于通过检测收集到的轴承振动信号，来判断轴承是否故障以及故障的类型，其特征在于，具体步骤如下：

S1：对电动机驱动端中的滚动轴承进行电火花人工损伤，形成若干类有损滚动轴承，不同类的有损伤滚动轴承具有不同的故障类型；

S2：分别针对无损伤滚动轴承以及每一类有损伤滚动轴承，通过部署在滚动轴承上的振动传感器，采集单一负载下的滚动轴承振动信号，形成带有故障类型标签的样本数据集；

S3：利用所述样本数据集对预先构建的一维卷积神经网络进行训练，得到一个最佳的滚动轴承故障诊断模型，所述一维卷积神经网络的结构依次由输入层、第一卷积层、第一Tanh激活层、第一最大池化层、第一Dropout层、第二卷积层、第二Tanh激活层、第二最大池化层、第二Dropout层、第三卷积层、第三Tanh激活层、第三最大池化层、第三Dropout层、第四卷积层、第四Tanh激活层、第四最大池化层、第五卷积层、第五Tanh激活层、第四Dropout层、Flatten层、Dense层、Softmax层和输出层；模型输入为滚动轴承振动信号，模型输出为故障类型的诊断结果；

S4：针对待诊断的滚动轴承，按照与S2中相同的做法将振动传感器部署在滚动轴承上，采集滚动轴承在负载下的振动信号，并将该振动信号输入所述滚动轴承故障诊断模型中，得到当前故障类型的诊断结果。

2.根据权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，所述S1中，电动机滚动轴承电火花人工损伤要求如下：

用电火花在电动机驱动端滚动轴承上加工单点损伤，其中损伤位置包括滚动轴承的内圈、滚珠和外圈，内圈和滚珠的损伤直径有多种，外圈的损伤位置沿外圈圆周方向设置多种但损伤直径保持一致，从而形成多类具有不同故障类型的滚动轴承。

3.根据权利要求2所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，所述滚动轴承内圈和滚珠上的损伤直径为0.007英寸、0.014英寸和0.021英寸三种；所述滚动轴承外圈上的损伤位置分别位于外周的3点钟、6点钟和12点钟方向，损伤直径均为0.007英寸)；共有9类具有不同故障类型的滚动轴承。

4.根据权利要求2所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，所述滚动轴承的型号为SKF6205。

5.根据权利要求1所述的基于一维卷积神经网络(1D-CNN)的轴承故障诊断方法，其特征在于，所述S2中，针对每一类无损伤或有损伤的滚动轴承采集振动信号的方法如下：

S21：将振动传感器放置在电动机驱动端的轴承座上方，并连接16通道的数据记录仪，从而构成对滚动轴承进行振动信号采集的采集系统；

S22：对同一类滚动轴承施加相同的单一负载，电动机驱动端的滚动轴承振动信号由16通道的数据记录仪在12KHZ的采样频率下进行采集；

S23：将S22中采集的滚动轴承振动信号按照设定的样本信号长度分割为一系列样本信号，将样本信号与相应的故障类型标签一起构建为样本数据集。

6.根据权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，所述的单一负载为0HP、1HP、2HP或3HP。

7.根据权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，所述的一维卷积神经网络中，第一卷积层采用128个16×1的卷积核，第二卷积层采用64个8×1的卷积核，第三卷积层采用32个4×1的卷积核，第四卷积层采用16个4×1的卷积核，第五卷积层采用8个4×1的卷积核；第一最大池化层、第二最大池化层、第三最大池化层和第四最大池化层的池化核均为2×1，步长均为2；第一Dropout层和第二Dropout层的Dropout比率为0.3，第三Dropout层和第四Dropout层的Dropout比率为0.25。